As doenças transmitidas pela água afetam mais de 2 bilhões de pessoas em todo o mundo, causando um fardo econômico substancial. Por exemplo, o tratamento de doenças transmitidas pela água custa mais de US $ 2 bilhões anualmente apenas nos Estados Unidos, com 90 milhões de casos registrados por ano. Entre os problemas relacionados com patógenos de veiculação hídrica, uma das preocupações mais comuns de saúde pública é a presença de bactérias coliformes totais e Escherichia coli ( E. coli ) na água potável, o que indica contaminação fecal. Os métodos tradicionais de detecção de bactérias baseados em cultura costumam levar de 24 a 48 horas, seguido por inspeção visual e contagem de colônias por um especialista, de acordo com as diretrizes da Agência de Proteção Ambiental dos Estados Unidos (EPA). Alternativamente, métodos de detecção molecular baseados em, por exemplo, a amplificação de ácidos nucleicos, pode reduzir o tempo de detecção para algumas horas, mas geralmente não têm sensibilidade para detectar bactérias em concentrações muito baixas, e não são capazes de diferenciar entre microorganismos vivos e mortos. Além disso, não há nenhum método baseado em ácido nucléico aprovado pela EPA para detectar bactérias coliformes em amostras de água.

Portanto, há uma necessidade urgente de um método automatizado que possa atingir a detecção de colônia bacteriana rápida e de alto rendimento com alta sensibilidade para fornecer uma alternativa poderosa aos métodos padrão ouro aprovados pela EPA atualmente disponíveis que levam pelo menos 24 horas e requerem um especialista para contagem de colônias.

Em um novo artigo publicado em Light:Ciência e Aplicações , uma equipe de cientistas, liderado pelo Professor Aydogan Ozcan do Departamento de Engenharia Elétrica e de Computação da Universidade da Califórnia, Los Angeles (UCLA), NÓS., e colegas de trabalho desenvolveram um sistema de imagem inteligente alimentado por IA para detecção precoce e classificação de bactérias vivas em amostras de água. Com base na holografia, eles projetaram um sistema de imagem altamente sensível e de alto rendimento, que captura continuamente imagens microscópicas de uma placa de cultura inteira, onde as bactérias crescem, para detectar rapidamente o crescimento da colônia, analisando essas imagens de lapso de tempo com uma rede neural profunda. Após a detecção do crescimento de cada colônia, uma segunda rede neural é usada para classificar o tipo de bactéria.

A eficácia desta plataforma única foi demonstrada através da detecção precoce e classificação de três tipos de bactérias, ou seja, E. coli , Klebsiella aerogenes ( K. aerogenes ), e Klebsiella pneumoniae ( K. pneumoniae ), e os pesquisadores da UCLA alcançaram um limite de detecção de 1 bactéria formadora de colônia por 1 litro de amostra de água em 9 horas do tempo total de teste, demonstrando uma economia de tempo de mais de 12 horas para detecção de bactérias em comparação com os métodos EPA padrão ouro. Esses resultados destacam o potencial transformador desta plataforma de imagem holográfica alimentada por IA, que não apenas permite alta sensibilidade, detecção rápida e econômica de bactérias vivas, mas também fornece uma ferramenta poderosa e versátil para pesquisas em microbiologia.